利用基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡優(yōu)化重催干氣脫硫

范崢，田潤芝，林亮，韓彥忠，郭陽，豆龍龍，景根輝，TYOORAgiDamian

（1西安石油大學化學化工學院，陜西西安710065；2西安長慶科技工程有限責任公司，陜西西安710018；3中國石油長慶油田分公司第十采油廠，甘肅慶陽745000）

近年來，隨著國家環(huán)保要求日益嚴格，各石化企業(yè)都在大力推行節(jié)能降耗、提質增效等相關策略以更好地適應行業(yè)發(fā)展的新動向[1-6]。重催干氣是催化裂化裝置的副產(chǎn)物之一，可作為制氫原料或加熱爐燃料使用。由于重催干氣中的硫化氫含量較高，不但容易引起設備管道腐蝕與催化劑中毒，同時還會造成加熱爐排放煙氣硫含量超標，因此，在重催干氣進入制氫裝置或加熱爐前必須對其進行脫硫處理[7-8]。然而，在實際生產(chǎn)中，重催干氣進料狀態(tài)受上游裝置影響較大且波動頻繁，使得操作參數(shù)調整優(yōu)化響應明顯滯后，直接導致了重催干氣脫硫系統(tǒng)普遍存在能量消耗過大、脫硫效率不足且資源回收率偏低等諸多問題，是目前重催干氣脫硫工藝亟需解決的關鍵問題之一。

一般來說，重催干氣脫硫工藝主要分為干法脫硫和濕法脫硫兩大類，濕法脫硫工藝是利用液體吸收劑脫除重催干氣中的硫化氫，此工藝的脫硫效果雖然不如干法脫硫，但流程簡單、操作方便、處理量大且投資運行費用低廉，在重催干氣脫硫中應用最為廣泛[9-13]。活化N-甲基二乙醇胺法作為濕法脫硫工藝的代表，與一乙醇胺法（MEA法）、二乙醇胺法（DEA法）、二甘醇胺法（DGA法）等常規(guī)醇胺法以及MDEA法等選擇性醇胺法相比，不但其酸氣負荷更高、胺液循環(huán)量更小，可有效減少設備尺寸和降低能耗，而且還具有選擇性高、溶劑消耗少、不易降解變質等獨特優(yōu)點，受到了人們越來越多的青睞和關注，是近年來發(fā)展較快的一種重催干氣脫硫溶劑[14-15]。目前，針對基于N-甲基二乙醇胺的重催干氣脫硫過程優(yōu)化研究較多，劉文強[16]對重催干氣脫硫系統(tǒng)的工藝條件參數(shù)進行了優(yōu)化，當脫硫塔操作溫度小于44℃，貧胺液流量為8～16t/h，貧胺液中硫化氫濃度小于0.2g/L時，硫脫除率可達99.6%；馬志研[17]利用Aspen Plus軟件對重催干氣脫硫系統(tǒng)進行了流程模擬與優(yōu)化，分析了氣液比、溫度、壓力等因素對脫硫效果影響；宗義山[18]通過將重催干氣脫硫塔由板式塔改造為填料塔來解決脫硫塔負荷及脫硫能力不足的問題，并取得了良好的實際效果；而賈正萬[19]則通過降低重催干氣脫硫塔塔頂液相負荷、及時清理堵塞塔盤，以及改變燃料氣分液罐氣相進料位置，使得胺液沉降分離得到顯著改善，從而大幅提高了重催干氣的脫硫效率。然而，由于上述研究多是基于穩(wěn)態(tài)假設進行后續(xù)優(yōu)化的，因此一旦上游催化裂化裝置運行狀態(tài)發(fā)生變化，重催干氣脫硫系統(tǒng)勢必偏離預設工況，導致其后續(xù)優(yōu)化無法實現(xiàn)。

針對上述問題，傳統(tǒng)的正交優(yōu)化設計和響應面優(yōu)化設計均存在著一些缺陷和弊端[20-21]，正交優(yōu)化設計主要通過合理安排實驗在幾個影響因素中找出各個因素的最佳組合，但卻不能給出該最佳組合下的預測優(yōu)化結果，極大阻礙了它的應用與推廣；響應面優(yōu)化側重于通過擬合得到各因素與響應值之間的高階回歸方程來進行多變量尋優(yōu)，然而隨著實驗樣本數(shù)量不斷增加，響應面優(yōu)化設計的近似精度卻無法得到有效提高。與正交優(yōu)化設計和響應面優(yōu)化設計相比，人工神經(jīng)網(wǎng)絡作為人工智能的重要技術手段，是一種模仿生物神經(jīng)元工作過程的機器學習算法[22-26]。自20世紀80年代開始，伴隨著計算機科學與技術的突飛猛進，人工神經(jīng)網(wǎng)絡發(fā)展迅速，目前已被廣泛應用于石油、電子、化工、材料、醫(yī)藥和交通等領域，并取得了一定的成果[27-32]。徑向基人工神經(jīng)網(wǎng)絡于1988年由Broomhead和Lowe首次提出，它將低維的輸入矢量變換到高維空間中，使得低維空間內的線性不可分，在高維空間內線性可分，具有結構簡單、訓練方便、學習收斂速度快且能夠逼近任意非線性函數(shù)等諸多優(yōu)點[33-37]。在構建徑向基人工神經(jīng)網(wǎng)絡預測模型的基礎上，為了對重催干氣脫硫過程實施進一步的優(yōu)化，引入了粒子群優(yōu)化（particle swarm optimization，PSO）算法。PSO算法作為一種隨機的、并行的優(yōu)化算法，是從鳥類捕食行為特征中得到啟發(fā)并用于求解優(yōu)化問題的，在該算法中，每個粒子都代表問題的一個潛在解，分別對應著一個由適應度函數(shù)決定的適應度值，由于粒子速度決定了粒子移動的方向和距離，故當粒子速度按照自身及其他粒子的移動經(jīng)驗進行動態(tài)持續(xù)調整時，即可實現(xiàn)粒子個體在高維可解空間中的全局化尋優(yōu)[38-43]。對于重催干氣脫硫過程來說，系統(tǒng)能耗的影響因素眾多，它不但與重催干氣和活化N-甲基二乙醇胺的物理化學性質有關，而且與重催干氣脫硫系統(tǒng)的操作參數(shù)有關，同時還涉及重催干氣脫硫塔等核心設備的結構類型和運行狀況，此外，上述各因素之間可能存在的交互作用往往也是不可以被忽略的。由于PSO算法采用實數(shù)求解，收斂速度快，既不依賴于問題信息，不要求被優(yōu)化對象具有可微、可導、連續(xù)等性質，又可以利用個體局部信息和群體全局信息實現(xiàn)協(xié)同搜索，更容易跨過搜索平面上信息嚴重不足的障礙，因此，利用基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡預測模型對重催干氣脫硫過程的系統(tǒng)能耗進行目標值全局優(yōu)化是較為適宜的。

本文首先借助Aspen HYSYSV11軟件，利用Li-Mather物性方法對重催干氣脫硫過程進行了全流程模擬，通過對比關鍵模擬結果與現(xiàn)場運行數(shù)據(jù)驗證了此基礎模型的適用性；其次，采用Design-Expert 7.1.3軟件，根據(jù)Plackett-Burman設計詳細探討了不同影響因素下重催干氣脫硫系統(tǒng)能耗的變化規(guī)律，并依照方差分析結果為后續(xù)研究篩選出對目標值具有顯著影響的有效因素；最后，以流程模擬實驗結果為樣本數(shù)據(jù)庫，以Plackett-Burman設計篩選得到的顯著影響因素為輸入信號，以重催干氣脫硫系統(tǒng)能耗為輸出信號，利用基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡預測模型對重催干氣脫硫過程進行訓練、驗證和測試，并在滿足凈化干氣硫化氫濃度約束的前提下對其進行了深度優(yōu)化，以期實現(xiàn)最小化系統(tǒng)能耗的目的，從而為今后提升重催干氣脫硫過程的在線智能學習水平、強化過程耦合控制能力提供必要的理論支撐和數(shù)據(jù)來源。

1 重催干氣脫硫系統(tǒng)流程

自催化裂化裝置來的重催干氣進入干氣脫硫塔（T-3202），與活化N-甲基二乙醇胺配方溶液逆向接觸吸收來脫除原料氣中的硫化氫和部分二氧化碳，塔頂凈化干氣經(jīng)干氣胺液回收器（V-3203）除液后送至燃料氣管網(wǎng)。自T-3202來的富液進入富液閃蒸罐（V-3223），閃蒸出少量的溶解烴。閃蒸后的富液經(jīng)富液泵（P-3204）加壓送至溶劑再生裝置再生，再生后的貧液自溶劑再生裝置來，進入溶劑緩沖罐（V-3205）緩沖，經(jīng)貧液泵（P-3201）升壓后，送至T-3202的上部。

富液經(jīng)富液過濾器（F-3001）充分過濾后，與貧液經(jīng)貧富液二級換熱器（E-3002）換熱，進入富液閃蒸罐（V-3001），閃蒸出大部分溶解烴，再經(jīng)富溶劑泵（P-3002）加壓，并經(jīng)貧富液一級換熱器（E-3001）換熱后進入胺液再生塔（T-3001），塔底由重沸器（E-3005）供熱，進行間接蒸汽加熱。塔頂氣體經(jīng)酸性氣空冷器（A-3001）和胺液再生塔塔頂水冷卻器（E-3004）冷凝冷卻、酸性氣分液罐（V-3002）分液后，酸性氣送至硫磺回收裝置，冷凝液經(jīng)再生塔頂回流泵（P-3003）返塔作為回流。塔底貧液經(jīng)E-3001、E-3002與富液換熱降溫后，由貧液加壓泵（P-3006）升壓，流經(jīng)貧液空冷器（A-3002）和貧液冷卻器（E-3003）冷卻后，進入溶劑緩沖罐（V-3003）。貧液由溶劑循環(huán)泵（P-3001）自V-3003抽出，加壓送至V-3205供循環(huán)使用。

重催干氣脫硫系統(tǒng)的工藝流程圖如圖1所示。

圖1 重催干氣脫硫系統(tǒng)工藝流程

對于活化N-甲基二乙醇胺配方溶液來說，它的分子結構中至少含有一個羥基官能團和一個氨基官能團，羥基官能團可以有效降低化合物的蒸氣壓并提高其在水中的溶解度，氨基官能團則能夠使配方溶液呈堿性，以促進化合物對酸性組分的吸收。由于醇胺溶液吸收酸性組分過程屬于典型的可逆反應，在高壓、低溫下將向正方向進行，而在低壓、高溫下將向反方向進行，這既是醇胺溶液作為重催干氣脫硫溶劑的化學基礎，同時還是重催干氣脫硫系統(tǒng)能耗的主要原因。

2 關鍵模擬流程搭建

物性方法的選擇直接影響著模擬結果的準確性，譬如分離過程離不開平衡常數(shù)，熱量衡算離不開氣液兩相焓，壓縮及膨脹離不開熵等，因此選擇合適的物性方法是決定流程模擬優(yōu)化成功的關鍵步驟。由于采用活化N-甲基二乙醇胺配方溶液吸收酸性組分時，既存在化學吸收，也存在物理吸收，同時還存在各種溶液離解反應，屬于典型的高度非理想體系，故本文選擇基于嚴格熱力學機理的Li-Mather物性方法作為重催干氣脫硫系統(tǒng)的熱力學性質計算方法，如式(1)、式(2)。

式中，ФV、γL分別為氣相逸度系數(shù)和液相活度系數(shù)，其中，ФV可由Peng-Robinson狀態(tài)方程計算得到，而γL則可由Clegg-Pitzer方程計算得到；H為Henry常數(shù)；p為系統(tǒng)壓力；xi、yi分別為組分i在液相和氣相的物質的量分數(shù)；β為二元交互參數(shù)；K為化學反應平衡常數(shù)，其為溫度的函數(shù)，即式(3)。

式中，T為溫度；C1、C2、C3和C4為溫度相關系數(shù)。

對Aspen HYSYSV11的工作目錄、模擬系統(tǒng)選項和輸入輸出單位進行必要的設置后，在其流程窗口中利用物流、能流將Aspen HYSYSV11模塊庫中的相應單元模塊連接起來建立整個模擬流程的數(shù)學模型。T-3202、T-3001采用Absorber模塊模擬，其塔板效率設定為40%；V-3203、V-3223、V-3001和V-3002采用Separator模塊模擬；E-3001、E-3002、E-3003、E-3004、E-3005采 用Heat Exchanger模塊模擬；A-3001、A-3002采用Air Cooler模 塊 模 擬；P-3204、P-3002、P-3003、P-3006、P-3001以及P-3201采用Pump模塊模擬；而調節(jié)、平衡、循環(huán)、設置等邏輯操作則通過Adjust、Balance、Recycle和Set模塊完成，其具體模擬結果見表1。

由表1可知，對于重催干氣脫硫系統(tǒng)來說，由于模擬值與實際值的相對誤差均在5%以內，故以Li-Mather物性方法作為此流程模擬的熱力學性質計算方法是合理的，它不但可以較好地對重催干氣脫硫這一高度非理想體系進行有效描述，同時還能夠準確、可靠地反映出重催干氣脫硫系統(tǒng)的實際運行情況，是較為理想的改造優(yōu)化基礎模型。

表1 重催干氣脫硫系統(tǒng)流程模擬結果

3 Plackett-Burman設計

本文根據(jù)Plackett-Burman設計，采用Design-Expert7.1.3軟件對重催干氣的流量、重催干氣硫化氫濃度、貧液的哌嗪質量分數(shù)、貧液N-甲基二乙醇胺質量分數(shù)以及關鍵操作參數(shù)（如胺液循環(huán)量、T-3001塔底溫度和E-3003貧液出口溫度等）可能影響系統(tǒng)能耗ψ的諸多因素進行了顯著性篩選。

作為一種從眾多因素中篩選對實驗指標具有顯著影響的實驗方法，Plackett-Burman設計通過比較每個因素高、低兩水平之間的差異來確定因素的顯著性，屬于典型的二水平部分實驗設計。通常，m次實驗可以至多研究m－1個因素，但建議不應大于m－4個，其目的是保留3個以上虛擬因素用于估算實驗誤差，同時，為了進一步量化影響因素顯著性的大小，還需要對上述實驗設計結果進行方差分析，以期篩選得到置信度大于95%，即顯著性水平達到0.05的影響因素作為徑向基人工神經(jīng)網(wǎng)絡的有效輸入信號，從而最大程度上避免在后續(xù)的徑向基人工神經(jīng)網(wǎng)絡建模中出現(xiàn)模型進化緩慢、震蕩劇烈或陷入局部最小等非正常現(xiàn)象[式(4)]。

式中，ψ是目標變量；i、j、t分別是因素、水平和重復實驗的序號；ζ是某因素指定水平的目標變量平均值；ω是輸入信號的主效應；ε和σ依次為正態(tài)分布下的絕對誤差和標準誤差；n是因素個數(shù)；s是水平個數(shù)。

對上述各個因素的每個水平進行假設性檢驗，判斷其主效應是否為零，并以此為依據(jù)判斷該影響因素的顯著性，即式(5)。

Plackett-Burman設計的因素水平和實驗方案分別見表2、表3。

表2 Plackett-Burman設計因素水平一覽表

表3 Plackett-Burman設計實驗方案一覽表

利用方差分析對Plackett-Burman設計進行研究，以期進一步確定上述各個因素對系統(tǒng)能耗的影響，詳見表4。

表4 Plackett-Burman設計方差分析一覽表

由表4可知，在指定的顯著性水平α=0.05（置信度95%）下，由于所采用的實驗模型的F值為21391.48，遠遠大于臨界值F0.05(7,4)=6.09且概率P小于臨界值0.01，故它是十分顯著的，其噪音出現(xiàn)的概率僅為0.0000013108%，這表明此模型的擬合度較好，適合于探討各因素對系統(tǒng)能耗的影響程度。同時，由于重催干氣流量、重催干氣硫化氫含量、貧液哌嗪濃度、貧液N-甲基二乙醇胺質量分數(shù)、胺液循環(huán)量、T-3001塔底溫度和E-3003貧液出口溫度的P值均小于0.05，故它們對系統(tǒng)能耗均有非常顯著的影響，可作為后續(xù)徑向基人工神經(jīng)網(wǎng)絡預測模型的有效輸入信號。

4 基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡優(yōu)化

本文通過組件對象模型技術，依照Aspen HYSYS數(shù)據(jù)瀏覽器的結構，以MATLAB與Aspen HYSYS之間的高級接口——MAH工具箱的形式建立了基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡，此模型主要由輸入層、隱含層和輸出層三部分組成，輸入層由Plackett-Burman設計篩選得到的顯著影響因素，即重催干氣流量、重催干氣硫化氫含量、貧液質量分數(shù)、貧液N-甲基二乙醇胺質量分數(shù)、胺液循環(huán)量、T-3001塔底溫度和E-3003貧液出口溫度等信號源節(jié)點組成；隱含層中的變換函數(shù)為高斯徑向基函數(shù)，它屬于對中心點徑向對稱且衰減的非負非線性函數(shù)；輸出層負責對輸入模式下的系統(tǒng)能耗作出必要的響應，如圖2所示。

圖2 徑向基人工神經(jīng)網(wǎng)絡結構

式中，p為樣本的序號，p=1,2,…,P；P為樣本數(shù)量；c為高斯徑向基函數(shù)的中心；j為隱含層節(jié)點的序號，j=1,2,…,Q，Q為隱含層節(jié)點數(shù)量；σ為高斯徑向基函數(shù)的方差。

此時，徑向基人工神經(jīng)網(wǎng)絡的預測輸出為式(7)。

式中，wjk為從第j個隱含層節(jié)點到第k個輸出層節(jié)點的連接權值。

徑向基人工神經(jīng)網(wǎng)絡采用梯度下降法不斷更新高斯徑向基函數(shù)的中心和隱含層到輸出層之間的連接權值，使得預測輸出不斷逼近期望輸出[式(9)、式(10)]。

式中，η1、η2均為學習效率；t為當前迭代次數(shù)。

在構建徑向基人工神經(jīng)網(wǎng)絡的基礎上，可采用PSO算法對其進行優(yōu)化，以期達到全局化尋優(yōu)的目的。首先，在D維可解空間中初始化由l個粒子組成的種群W，位置、速度和適應度等指標被用來表示這些粒子的特征。若第u個粒子在D維可解空間中運動，它的位置可表示為E u=[eu1,eu2,…,euo,…,euD]T，速度可表示為V u=[vu1,vu2,…,vuo,…,vuD]T，而適應度則可由徑向基人工神經(jīng)網(wǎng)絡計算得到，其值大小代表了粒子的優(yōu)劣。粒子在D維可解空間中每變化一次位置，就計算一次適應度，并通過比較粒子的新適應度與個體極值PB u=[PBu1,PBu2,…,PBuo,…,PBuD]T、群體極值GB u=[GBu1,GBu2,…,GBuo,…,GBuD]T達到不斷最優(yōu)化個體極值和群體極值的目的。

同時，粒子在每一次位置變化過程中還通過個體極值、群體極值來實現(xiàn)自身位置和速度的迭代更新，其公式如式(11)、式(12)。

式中，θ為線性遞減慣性權重；g1、g2為加速度因子；r1、r2為分布于[0,1]之間的隨機數(shù)；f為當前迭代次數(shù)。

除此之外，對于線性遞減慣性權重來說，若該值較大，則更有利于進行全局尋優(yōu)；若該值較小，則更有利于進行局部尋優(yōu)，因此本文還對粒子進化過程中的慣性權重進行動態(tài)調整，使得線性遞減慣性權重有能力在迭代初期具有較強的全局搜索能力，而在迭代后期具有較強的局部搜索能力，如式(13)。

式中，F(xiàn)為最大迭代次數(shù)；θ0為初始慣性權重；θF為迭代至最大次數(shù)時的慣性權重。

基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡優(yōu)化的算法流程圖如圖3所示。

圖3 基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡優(yōu)化算法流程圖

需要說明的是，本文采集了不同工況下的有效樣本數(shù)據(jù)共200組，如圖4所示，其中，第1～100組隨機數(shù)據(jù)用于輸入徑向基人工神經(jīng)網(wǎng)絡進行訓練，而第101～200組隨機數(shù)據(jù)作為驗證和測試樣本不參加訓練。當徑向基人工神經(jīng)網(wǎng)絡經(jīng)過反復訓練滿足指定的容許收斂誤差限后，將第101～160組隨機數(shù)據(jù)輸入訓練好的人工神經(jīng)網(wǎng)絡來驗證該預測模型的準確性與可靠性，若其仍然滿足容許收斂誤差限的相關要求，則繼續(xù)將第161～200組隨機數(shù)據(jù)輸入徑向基人工神經(jīng)網(wǎng)絡進行測試。

圖4 重催干氣脫硫過程樣本數(shù)據(jù)庫三維圖

由于徑向基人工神經(jīng)網(wǎng)絡的結構，特別是隱含層節(jié)點數(shù)的多少是影響模型預測效果好壞的關鍵因素之一，故本文在迭代次數(shù)上限為1000步、學習效率η1、η2分別取0.03、0.05的條件下，利用試湊法找出了徑向基人工神經(jīng)網(wǎng)絡適宜的隱含層節(jié)點數(shù)，其結果如圖5所示。

由圖5可知，當隱含層節(jié)點數(shù)為5時，訓練樣本、驗證樣本、測試樣本的均方誤差為125.85、149.96和169.64，隨著隱含層節(jié)點數(shù)的不斷增加，預測模型的均方誤差迅速降低，當隱含層節(jié)點數(shù)為16時，均方誤差得到最小值，其均方誤差分別為0.0065、0.33、3.58，若繼續(xù)增加隱含層節(jié)點數(shù)，均方誤差有所增加，此時存在過度擬合現(xiàn)象，網(wǎng)絡泛化能力受到限制。因此，本文選擇7-16-1型徑向基人工神經(jīng)網(wǎng)絡結構進行后續(xù)的訓練、驗證和測試。

圖5 隱含層節(jié)點數(shù)對均方誤差的影響規(guī)律

圖6展示了徑向基人工神經(jīng)網(wǎng)絡的均方誤差隨迭代次數(shù)增加的變化情況。由圖6可知，隨著徑向基人工神經(jīng)網(wǎng)絡迭代次數(shù)的不斷增加，預測模型的均方誤差逐漸減小，當訓練樣本和驗證樣本經(jīng)過4182次反復迭代后，它們的均方誤差依次為5.08×10-6、7.78×10-6，均小于容許收斂誤差限10-5，其測試樣本的均方誤差僅為9.56×10-6，這表明，徑向基人工神經(jīng)網(wǎng)絡此時已經(jīng)達到了指定的收斂要求。

圖6 徑向基人工神經(jīng)網(wǎng)絡均方誤差變化趨勢

圖7為徑向基人工神經(jīng)網(wǎng)絡的預測輸出與期望輸出對比圖。由圖7可知，由徑向基人工神經(jīng)網(wǎng)絡的期望值和預測值組成的實驗點均勻分布在45°回歸線兩側，以上兩者之間近似呈線性關系，其訓練樣本、驗證樣本與測試樣本的決定系數(shù)分別為0.981、0.975、0.969，表明了此模型中的期望值及預測值存在較高的相關性，即利用徑向基人工神經(jīng)網(wǎng)絡對重催干氣脫硫系統(tǒng)能耗進行預測有著較高的準確性和可靠性。

圖7 訓練、驗證和測試樣本的預測值與期望值對比圖

根據(jù)上述研究結果，對于指定的重催干氣的流量和硫化氫濃度來說，本文以現(xiàn)工況為例，即當重催干氣流量為6701.0kg/h、重催干氣硫化氫濃度為1716.15mg/m3時，以保證凈化干氣硫化氫濃度滿足相關氣質要求（≤20mg/m3）為約束條件，以重催干氣脫硫系統(tǒng)能耗最小化為目標值，本文借助MATLAB 8.0.0.783通過randn()函數(shù)產(chǎn)生一個種群粒子個數(shù)為400、每個粒子的維數(shù)為5（包括貧液哌嗪質量分數(shù)、貧液N-甲基二乙醇胺質量分數(shù)、胺液循環(huán)量、T-3001塔底溫度和E-3003貧液出口溫度）且符合高斯分布的輸入?yún)?shù)隨機矩陣來形成初始種群，通過PSO算法對其進行了全局性優(yōu)化，其中，粒子適應度由徑向基人工神經(jīng)網(wǎng)絡預測模型計算得到。一般來說，PSO算法的終止條件包括設定最大迭代次數(shù)或全局最優(yōu)位置滿足最小界限兩大類，本文選擇前者作為終止條件，即當粒子進化迭代次數(shù)達到4000時，基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡預測模型將停止迭代，并輸出相應的優(yōu)化結果。

需要說明的是，為了進一步提高粒子有效跳出先前搜索到的優(yōu)化值位置、找到更優(yōu)值的可能性，本文還在PSO算法中引入了變異算子（本文設為0.75），即在粒子每次更新后，再以一定概率對貧液的哌嗪質量分數(shù)和N-甲基二乙醇胺質量分數(shù)以及胺液循環(huán)量、T-3001塔底溫度和E-3003貧液出口溫度等輸入信號進行重新初始化以保持種群的多樣性，從而幫助粒子在更大的空間中展開全局最優(yōu)值搜索。同時，為了更好地平衡PSO算法的全局搜索與局部搜索能力，本文分別設定PSO算法的初始慣性權重、迭代至最大次數(shù)時的慣性權重分別為0.9和0.4，從而在最大程度上提升PSO算法的算力性能，具體優(yōu)化結果如圖8所示。

由圖8可知，當利用基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡對重催干氣脫硫系統(tǒng)能耗進行優(yōu)化時，經(jīng)過4000次粒子進化迭代后即可得到指定重催干氣流量和硫化氫濃度下的最小系統(tǒng)能耗0.0649kgoe/h。然而，需要說明的是，當粒子進化迭代次數(shù)達到3198時，該模型已成功搜索到該值并維持至冗余迭代終止，它較優(yōu)化前系統(tǒng)能耗0.0713kgoe/h大幅降低了8.98%，節(jié)能效果顯著，此時，貧液哌嗪含量、貧液N-甲基二乙醇胺質量分數(shù)、胺液循環(huán)量、T-3001塔底溫度和E-3003貧液出口溫度分別為3.55%（質量分數(shù)）、41.27%（質量分數(shù)）、10376.0kg/h、124.2℃和35.5℃。

圖8 PSO算法全局最優(yōu)值搜索過程

由于活化N-甲基二乙醇胺配方溶液能夠在高碳硫比條件下選擇性脫除原料氣中的硫化氫和部分二氧化碳，因此通過調整醇胺溶液的哌嗪含量、N-甲基二乙醇胺質量分數(shù)和胺液循環(huán)量均可在確保凈化干氣硫化氫濃度不大于20mg/m3的前提下有效減少配方溶液對二氧化碳的吸收。同時，由于E-3003作為水冷卻器，其貧液出口溫度可近似視為配方溶液進入T-3202前的終點溫度，而重催干氣脫硫屬于放熱反應，故貧液出口溫度會對此反應的熱力學性質產(chǎn)生十分顯著的影響。當E-3003貧液出口溫度過高時，配方溶液脫硫效果持續(xù)惡化，只能通過提高胺液循環(huán)量的方法來彌補該損失，但勢必會增加系統(tǒng)能耗；當E-3003貧液出口溫度過低時，雖然配方溶液的脫硫效果在一定程度上得到了保證，但這是以增加冷卻單元負荷為代價的。T-3001塔底溫度直接決定了富液再生程度的好壞，其溫度過高會導致醇胺溶液熱降解并增大系統(tǒng)能耗，而溫度過低則會造成富液再生不完全，使貧液在干氣脫硫塔中的脫硫效果受到抑制。

3 結論

（1）當通過Aspen HYSYSV11軟件對重催干氣脫硫過程進行全流程模擬時，利用Li-Mather物性方法不但能夠較好地對重催干氣脫硫這一高度非理想過程進行有效描述，同時還可以準確、可靠地反映出該裝置的實際運行情況，是較為理想的改造優(yōu)化基礎模型。

（2）Plackett-Burman設計結果表明，重催干氣流量、重催干氣硫化氫濃度、貧液哌嗪質量分數(shù)、貧液N-甲基二乙醇胺質量分數(shù)、胺液循環(huán)量、T-3001塔底溫度和E-3003貧液出口溫度對重催干氣脫硫系統(tǒng)能耗均有非常顯著的影響，可作為后續(xù)徑向基人工神經(jīng)網(wǎng)絡預測模型的有效輸入信號。

（3）7-16-1型徑向基人工神經(jīng)網(wǎng)絡以Plackett-Burman設計篩選得到的顯著影響因素為輸入，以系統(tǒng)能耗為網(wǎng)絡輸出，采用梯度下降法不斷更新高斯徑向基函數(shù)的中心和隱含層到輸出層之間的連接權值，使得預測輸出不斷逼近期望輸出。

（4）當訓練樣本和驗證樣本經(jīng)過4182次迭代后，該徑向基人工神經(jīng)網(wǎng)絡預測模型的均方誤差分別為5.08×10-6、7.78×10-6，均小于容許收斂誤差限10-5，其測試樣本的均方誤差僅為9.56×10-6，完全達到了指定的收斂要求，此時，訓練、驗證和測試樣本的決定系數(shù)為0.981、0.975、0.969，表現(xiàn)出較高的相關性。

（5）在上述研究的基礎上，當利用基于PSO算法的徑向基人工神經(jīng)網(wǎng)絡對重催干氣脫硫系統(tǒng)能耗進行優(yōu)化時，該模型經(jīng)過3198次粒子進化迭代后系統(tǒng)能耗僅為0.0649kgoe/h，較優(yōu)化前系統(tǒng)能耗0.0713kgoe/h降低了8.98%，節(jié)能效果顯著。